Business Analytics（BA） ，作为新兴学科，是当前留学热门之选。商业社会中，数据就是金矿，谁能妥善加以利用，谁就能抓住更好的商业机遇。从其就业前景上来看，据麦肯锡报告显示，至2018年，单单美国，就面临200000个数据分析人才的空缺，不管是金融咨询业，还是快消零售业，都缺少 BA 专业的人才。从知识体系上来说， BA 专业内含数理模型、统计分析以及商业知识三大板块，是用更高深的技术、算法和模型进行数据挖掘与商业分析。可以说，BA是紧紧跟上了社会需求的脚步。

今年QS更新了Business Analytics的专业排名，IC位列第二。就让我们以帝国理工大学为例，和大家说说BA专业。

专业名称：MSc Business Analytics

入学要求：You are normally expected to achieve a UK Bachelor’s Degree at 2:1 or equivalent in Business, Economics, Engineering, Computer Science, Mathematics, Statistics, Physics or a quantitative social science. Gmat不是必须的，但建议提交。一般录取国内本科（985）一定GPA都是3.5+，英国本科一等学位。录取人的专业统计，印象当中经济是最多的，非商的比例很大。

雅思要求：7.0 with minimum scores of 6.5 in all elements申请时候不是必须提交语言成绩，可以后补。

课程设置：

必修

Data Structures and Algorithms：主要讲算法基础，包括简单的搜索和排序的算法，算是python入门课，之后会引入numpy/pandas等典型的数据分析库，为后面整年的学习做准备。授课以tutorial和lecture结合。

Maths and Statistics Foundation for Analytics：统计基础课，结合R语言。会介绍如何用R做微积分、矩阵计算、随机模拟、假设检验等等。

Optimization & Decision Model：相当于国内的运筹学，学习解决实际中的规划问题，主要讲线性问题、整数和binary问题，也包含一些简单的非线性问题（比如著名的资产组合优化）。

Statistics & Econometrics：计量经济学， 80%以上的时间都在研究线性回归。研究cross-sectional为主，没有太多涉及panal和时间序列。

Fundamentals of Database Technologies：SQL课，顺便入门一下spark，使用postgresql数据库

Machine Learning：模型主要讲了KNN， Navie Bayes，Decision Tree和K-means，也会介绍cross-validation和模型评估等。由于是第一门ML，所以选择的模型基本都是最简单的，编程语言要求R和Python都会。另外，这门课的作业比较好，像用naive bayes预测垃圾邮件、分类树预测信用风险这些经典问题都涉及了，很贴近实际。Network Analytics：上课比较随性，课程内容很广但很泛，不是很结构化。主要使用python中的networkx

Analytics in Business：基础理论，基本没什么实际操作，重在数据分析思想

Visualization：讲可视化涉及思路，和大多数BA学生的就业目标有点差距，因此得到的关注度不太高。

选修

Advanced Machine Learning：主要讲贝叶斯分类器、集成学习算法、SVM、PCA等，难点不止在于模型复杂性，也是因为这门课的老师更喜欢手动计算和算法推导。慎选

Big Data in Finance：主要讲机器学习在金融方面的应用，可以分为两个部分：信用风险和股票预测。

Retail Marketing Analytics: 涉及数据分析在零售行业的应用，比如价格敏感分析和广告效果分析等。主要用aggregated level的数据，所以一般来说数据量不大，但需要统计基础比较扎实。

Digital Marketing Analytics：主要涉及RFM targeting模型、客户价值估计和AB testing等，也会涉及google analytics和协同过滤。课程内容比较分散，但大多很有价值。

Data Management & Ethics：来自data science institute的课程，主要讲Hadoop，spark(pyspark)和MongoDB等大数据工具。Logistic & Supply Chain Analytics: 供应链方面的分析，讲需求预测和仓库管理，会用大概两周时间讲时间序列

全部课程结束之后，学生需要在capstone和work placement（实习）中二选一，作为实践训练

总结一下，整个项目使用的工具主要是R、Python和SQL，要做很多课程项目，因此只要用心，一年之后工具的使用都会十分熟练。另外，IC有个和Data Science Institute合作的机构叫Data Spark，每年都会接伦敦当地公司的数据分析项目，项目质量很不错也很具有挑战性，属于完全的实践项目。如果有机会入选并完整的体验一个项目，会很有收获。